weixin_43867168的博客

很有意思的一篇paper。在众多Knowledge Graph Embedding (KGE) 的论文中通过问题设计和有意思的解决方式脱颖而出。首先来看看问题设计。一般的KGE model都是利用神经网络（大部分是GCN）做点(node)或者边(edge)的低维向量表示，将他们嵌入(embed)到一个低维向量空间的同时尽可能保持他的特征和性质。比如LINE、TransX系列、GraphSAGE、GCN等模型，通常是利用了图结构信息，让接近的边的表示尽可能相似，以此作为学习的目标。但这篇paper着眼.

Liu W, Tsang I W, Müller K R. An easy-to-hard learning paradigm for multiple classes and multiple labels[J]. Journal of Machine Learning Research, 2017.作者主要在Curriculum Learning的基础上提出了一种基于OvR和和OvO的classfier chain for multiclass classification (CCMC) ，并在证明其

Membership inference attack （成员推理攻击）是一类机器学习模型的隐私泄漏攻击——即给出一条样本，推断该样本是否在模型的训练数据集中出现。其核心在于其提出的shadow learning技术。总的来说，这类攻击的目标是训练一个attack model（攻击模型），输入一条样本，能够返回它是否属于target model（目标模型）的训练集。为此，一般地，我们需要获取一些用于attack model训练的数据，也就出现了shadow learning。Shadow learni.